این روزها هوش مصنوعی بیشتر از این که یک زمینه علمی باشد، بخشی از زندگی ما شده است. سرویس‌های مربوط به برنامه‌های تلویزیونی از هوش مصنوعی و یادگیری ماشین برای پیش‌بینی این که دوست دارید برنامه بعدی که تماشا می‎کنید چه باشد، استفاده می‌کنند. یکی دیگر از کاربردهای هوش مصنوعی

با گسترش عصر اطلاعات و با توجه به این‌که اکثر این اطلاعات در قالب متن در دسترس همگان هستند، امکان انجام محاسبات روی این متون و درک آن‌ها توسط رایانه‏‌ها روزبه‌روز پراهمیت‌تر می‌‏شود. درواقع، پردازش زبان طبیعی (NLP Natural Language Processing) زیرشاخه‌‏ای از هوش مصنوعی و زبان‏شناسی است که سعی

رقابت غول‌های تکنولوژی جهان بر سر دستیابی به نافذترین دستیارهای صوتی، در دوره حاضر شدت قابل‌توجهی یافته است. به نحوی که در کنار آمازون، سایر شرکت‌ها نظیر گوگل، مایکروسافت و اَپل نیز برای طراحی بهترین دستیارهای صوتی می‌کوشند. این موضوع علاوه بر تولید ارزش افزوده، توانسته است سرعت رشد و

خواندن آهنگ الفبا از اولین دروسی است که کودکان باید بیاموزند. اهمیت این درس و یادگیری زبان اشاره برای خانواده‌هایی که کودک ناشنوا یا کم‌شنوا دارند، به هیچ‌وجه کمرنگ‌تر نیست. در این شرایط، زبان‌های بصری جای محرک‌های شنیداری را گرفته و نقشی حیاتی در رشد اولیه‌ی کودک ایفا می‌کنند. استودیوی

من برای اولین بار از طریق کانال یوتیوب Qoves Studio با این کسب‌وکار آشنا شدم؛ در این کانال که میلیون‌ها بازدیدکننده دارد ویدئوهایی با مضامینی از قبیل مدل مو چه تأثیری بر زیبایی دارد؟ راز جذابیت تیموتی شالامِی در چیست؟ و جراحی فک چه تأثیری بر مقبولیت اجتماعی دارد؟ بارگذاری

برای این‌که درک بهتری از اهمیت دسته بندی صداها داشته باشید، به این مثال توجه کنید. اتاق کنفرانسی را در نظر بگیرید که یک جلسه در آن درحال برگزاری است. در این اتاق آدم‌های زیادی هستند که به نوبت صحبت خواهند کرد. ما می­خواهیم در این جلسه هر چه آن‌ها

پیشرفت‌‌هایی که اخیراً در انواع شبکه عصبی مولد حاصل شده، تأثیرات شگرفی بر کیفیت و وضوح تصاویر، به ویژه در حوزه تغییر و انتقال سبک Style transfer، داشته است. مشوق اصلی ما برای نگارش مقاله پیش‌رو، موفقیت‌های اخیر StyleGAN بوده است. در مدل StyleGAN، تغییرات تصادفی در تصاویر ایجاد شده

سیستم های امبدد به طور فزاینده‌ای در جنبه‌های مختلف زندگی بشر نفوذ کرده‌اند؛ از ماشین‌ها گرفته تا تلفن‌های همراه، تجهیزات ویدئویی تا پخش‌کننده‌های MP3 و ماشین‌های ظرفشویی تا ترموستات‌های خانگی همگی دارای کامپیوترهای امبدد هستند که توانستند تأثیر بسزایی در کاهش مصرف انرژی و طراحی بهینه تجهیزات گذارند. اما این

شرکت‌ها با تکیه بر تکنیک تحلیل احساسات می‌توانند بار عاطفی ارتباطات را تشخیص دهند. درحال‌حاضر، این فناوری از تحلیل متن فراتر می‌رود و از داده‌های صوتی و تصویری نیز استفاده می‌کند. تعریف تحلیل احساسات تحلیل احساسات، روشی تحلیلی است که به‌منظور تشخیص معنای عاطفی ارتباطات از آمار، پردازش زبان طبیعی

تحلیل پیشرفته Advanced Analytics یکی از روش‌های تحلیل داده است که با تکیه بر مدلسازی پیش‌بین Predictive modelling، الگوریتم‌های یادگیری ماشینی، یادگیری عمیق، خودکارسازی فرآیندهای کاری و سایر روش‌های آماری، اطلاعات به دست آمده از منابع گوناگون را تجزیه و تحلیل می‌کند. تحلیل پیشرفته از روش‌های سنتی هوش تجاری (BI) فراتر

برای رسیدن به موقعیت کنونی چه مسیری را طی کرده‌ایم؟ در این مسیر به چه قابلیت‌هایی دست پیدا کرده‌ایم؟ و چه پیشرفت‌هایی در انتظار ما است؟ برای پاسخ به این سؤالات باید تاریخچه داده‌ را مطالعه کنیم.

پیش از آنکه به متن کاوی در هوش مصنوعی بپردازیم، باید با مقوله‌ای با نام پردازش زبان طبیعی یاNaturalLanguage Processing (NLP) آشنا شوید. NLP در‌واقع مقدمه‌ای برای ورود به مبحث متن‌کاوی بوده و در‌حقیقت روشی است که از طریق آن می‌توان به ارائه مفاهیم به شکلی قابل درک، برای کامپیوترها

در این نوشتار، پروژه یکپارچه‌ای که در رقابت‌های Kaggle با موضوع تکنیک‌های پیشرفته‌ی رگرسیون انجام دادم را، به صورت گام به گام، برای مخاطبان توضیح خواهم داد. قرار است مخاطبان بتوانند از این مقاله به عنوان یک دوره آموزشی مختصر در مورد یادگیری ماشین استفاده کنند.

تابع لاس خوب لزوماً به معنی یادگیری خوب نیست همه‌ مدل‌های یادگیری ماشینی در آزمایشگاه‌ کامپیوتر متولد شده و قبل از پیاده‌سازی، تعریف، آزمایش و بازطراحی می‌شوند؛ سپس بعد از آموزش مجدد، به دقت تنظیم شده و در نهایت دوباره مورد آزمایش قرار می‌گیرند. پس از آن، هدف و مأموریت

سؤالاتی از این دست که، محبوب‌ترین ابزار مورد استفاده در داده کاوی چیست؟ یا کدام الگوریتم برای داده‌کاوی بهتر است؟ ما را به سمت زبان برنامه‌نویسی به نام پایتون سوق می‌دهد، که به صورت خاص آن را برای تجزیه و تحلیل داده‌ها توسعه داده‌اند. قوانین تولید‌شده توسط داده‌کاوی برای یافتن

مقدمات یادگیری ماشینی: قسمت سوم در این نوشتار، به پیاده‌سازی معادله نرمالNormal equation می‌پردازیم که یک راهکار فرم‌بستهClosed-form solution برای الگوریتم رگرسیون خطی است. با استفاده از معادلات نرمال، می‌توانیم مقدار بهینه‌ theta را تنها طی یک مرحله و بدون استفاده از الگوریتم گرادیان کاهشیGradient descent محاسبه کنیم. در ابتدا

در این نوشتار، با پیاده‌سازی یک الگوریتم غیرپارامتری به نام رگرسیون خطی وزنی محلی آشنا می‌شویم. بدین منظور، ابتدا نگاهی به تفاوت بین الگوریتم‌های یادگیری پارامتری و غیرپارامتری خواهیم انداخت. سپس تابع وزن‌دهی و تابع پیش‌بینی را توضیح خواهیم داد. در انتها، پیش‌بینی‌های تولیدشده را با استفاده از کتابخانه‌های NumPy

مقدمات یادگیری ماشینی: قسمت اول در این نوشتار، قصد داریم ابتدایی‌ترین مدل یادگیری ماشینی یعنی رگرسیون خطی را بسازیم و آن را تنها با استفاده از کتابخانه‌ Numpy پایتون اجرا کنیم. بدین منظور، ابتدا نگاهی به دیتاست خواهیم انداخت، سپس در خصوص فرایند الگوریتم عمومی یادگیری نظارت‌شده صحبت خواهیم کرد

دستیار گوگل، سیری (Siri)، الکسا (Alexa) و سایر دستیارهای صوتی همیشه مایه تعجب و شگفتی من بوده‌اند. این دستیارها با انجام خودکار برخی کارها کمک زیادی به کاربران خود می‌کنند. به همین دلیل، تصمیم گرفتم برای خودم یک دستیار صوتی بسازم که دستورات صوتی را از طریق میکروفن لپ‌تاپم دریافت

«استنتاج» و «استدلال» از جمله مفاهیمی است که تا مدت‌ها، منحصراً در حیطه دانش انسانی طبقه‌بندی می‌شد و تصور آنکه روزی ماشین‌ها بتوانند گزاره‌های متعدد را کنار یکدیگر قرار دهند و از این عمل به نتیجه معقولی و منطقی برسند، دشوار بود. با پیشرفت روزافزون فناوری کامپیوتر‌ها، امکان استدلال توسطs

اگر مدل آموزشی از تعداد نمونه‌های بیشتری برخوردار باشد، مدل علم داده بهتری به دست می‌آید، اما این کار در خصوص برخی از ویژگی‌ها صدق نمی‌کند. دیتاست حقیقی ویژگی‌های گوناگونی دارد و برخی از آن‌ها نقش مفیدی در آموزش مدل علم داده قوی دارند. ویژگی‌های حشو یا تکراری نیز بر

خوشه بندی در داده کاوی به عنوان یکی از ابزارهای قدرتمند گروه‌بندی داده شناخته شده که جهت تشخیص الگوهای نهفته در بین داده‌ها مورد استفاده قرار می‌گیرد. از منظر ارتباط با هوش مصنوعی، خوشه‌بندی نوعی یادگیری بدون نظارت است که بدون وجود دانشی در مورد برچسب داده‌ها و متغیر هدف،

پیشرفت چشمگیر فناوری پردازش زبان طبیعی (Natural Language Processing) در چند سال اخیر، برای بسیاری از متخصصان علوم داده نیز قابل پیش‌بینی نبود. فراگیری NLP چنان قابل‌توجه بوده که بسیاری از شرکت‌های کوچک و بزرگ، تصمیم گرفتند سرمایه‌گذاری عظیمی بر روی این فناوری انجام دهند و پردازش زبان طبیعی را

شبکه‌های مولد تخاصمی یا GAN ها گروهی از الگوریتم‌های یادگیری عمیق و متعلق به دسته‎‌ی مدل‌های مولد هستند. هدف اصلی مدل‌های مولد، توصیف چگونگی تولید یک دیتاست، از نظر قواعد احتمالی، است. بدین طریق هرگاه بر اساس این قواعد احتمال، نمونه‌گیری انجام دهیم، دیتاستی جدید به دست می‌آوریم که با

انسان‌ها به صورت پیچیده و به طرق مختلف احساسات و عواطف خود را ابراز می‌کنند. برای مثال، فردی که در حال صحبت است، علاوه بر کلمات از آهنگ صوت، زیر و بمی صدا، حالات چهره و زبان بدن نیز برای انتقال پیام استفاده می‌کند. به همین دلیل است که جلسات

در پروژه‌ اخیرم، موفق شدم اندازه‌ خوشه cluster را بر اساس پیش‌بینی بار به‌صورت فعال مدیریت کنم. در این نوشتار، پروژه‌ مذکور را توضیح می‌دهیم، قابلیت‌های داخلی موجود در AWS را به‌صورت دقیق مورد بررسی قرار می‌دهیم، دلایل استفاده از FBProhphet را مرور می‌کنیم و نحوه‌ پیاده‌سازی این راهکار را

در این مطلب به پرکاربردترین آزمون‌های آماری خواهیم پرداخت. تحلیل تجاری و علوم داده محصول مشترک چندین حوزه‌ تخصصی هستند. متخصصان حوزه‌های گوناگون با پیش‌زمینه‌های تحصیلی متفاوت وارد عرصه‌ تحلیلگری می‌شوند، به این امید که روزی در حوزه‌ علوم داده به‌عنوان متخصص شروع به کار کنند (شناخته شوند). شاید بتوان متخصصان

برای آموزش شبکه‌های عصبی یادگیری عمیق، از الگوریتم بهینه‌سازی گرادیان  نزولی تصادفی استفاده می‌شود. برآورد مکرر خطای مدل یکی از مراحل الگوریتم بهینه‌سازی است. بدین منظور باید یک تابع خطا یا تابع زیان انتخاب کرد. وزن‌های مدل بر اساس زیان برآوردشده توسط این تابع، به روزرسانی می‌شوند و بدین طریق در

قبل از آن‌که به کاربردهای شبکه‌های عصبی در پردازش گفتار بپردازیم، باید کارکرد اصلی گفتار را مورد بررسی قرار دهیم. به احتمال بسیار زیاد، گفتار کارآمدترین راه برای برقراری ارتباط میان انسان‌هاست و انسان‌ها با کمک پردازش گفتار در ذهن، به یکدیگر پیوند می‌خورند. این همچنین نشانگر آن است که

برای شروعِ بهترِ جلسه طوفان فکری هوش مصنوعی، هشت مسئله‌ای را بررسی می‌کنیم که با راه حل های هوش مصنوعی قابل حل هستند. این لیستِ مشکلات کامل یا محدود نیست، اما در هر حال به بسیاری از مشکلات رایج میان شرکت‌ها اشاره می‌کند.حتی ممکن است با بعضی از آن‌ها مواجه

فیلم‌های سینمایی و برنامه‌های تلویزیونی دوست دارند روبات‌هایی را به تصویر بکشند که توانایی تشخیص گفتار و درک زبان انسان را داشته باشند و آن‌ها را بفهمند. از جهان علمی‌تخیلی فیلم‌ها تا موضوع حقیقی پردازش گفتار در پایتون این همواره آرزوی انسان بوده است. از سریال‌هایی مانند وست‌ورد تا فیلم‌هایی

سال 2019 را می‌توان سال ورود ترنسفورمر به حوزه پردازش زبان طبیعی نامگذاری کرد؛ در این سال این معماری در صدر تمامی جدول‌های رده‌بندی (Leaderboards) قرار گرفت و الهام‌بخش مطالعات تحلیلی بسیاری بود. بی‌شک مشهورترین ترنسفورمر، مدل زبانی BERT است (دولین، چانگ، لی و توتانووا، 2019). این مدل زبانی کاربردهای

موسیقی یکی از عناصر حیاتی فیلم به شمار می‌رود؛ چرا که جوّ فیلم را تحت تاثیر قرار داده، به واکنش‌های احساسی بینندگان جهت می‌دهد و بر تفسیر بینندگان از داستان و ژانر فیلم تاثیر می‌گذارد. پروفسور شریکانت نارایانان – سرپرست تیم تحقیقات در دانشکده مهندسی USC – مقاله‌ای را در

همیشه همه داده‌‍‌ها کامل و خالی از عیب‌ و نقص نیستند. اگر دیتاست کاملاً متوازنی در اختیار داشته باشید، آدم بسیار خوش‌شانسی هستید در غیر این صورت مدیریت دیتاست ‌های نامتوازن اهمیت بسیاری پیدا می‌کند. اکثر مواقع، داده‌ها تا حدی نامتوازن  Imbalanced هستند. این مورد زمانی اتفاق می‌افتد که هر

در نوشتار حاضر با انواع بردار کلمات، نحوه‌ی ایجاد آنها در پایتون و بکارگیری‌شان به همراه شبکه‌های عصبی در keras آشنا خواهید شد. روش‌های پردازش زبان طبیعی برای مدتی طولانی از مدل vectorspace برای نمایش کلمات استفاده می‌کردند. بردارهای رمزگذاری‌شده‌ی وان-هات به طور متداول به کار برده می‌شوند. البته روش

در این نوشتار به بررسی و مطالعه مبانی نورون‌ها، شبکه های عصبی و توابع فعال سازی می‌پردازیم. شبکه‌های عصبی مصنوعی از نورون‌ها تشکیل می‌شوند. هر نورون را می‌توان یک تابع در نظر گرفت که عددی در خود جای داده است. نورون‌ها این جریان/ورودی را از انشعابات انتهایی (سیناپس‌ها) دریافت می‌کنند.